用于预测极度不平衡多变量时间序列数据的对比表示学习

主要太阳耀斑是太阳磁通的突发性上升，对技术基础设施构成重大风险。鉴于此，通过机器学习方法从太阳活动区磁场数据有效预测主要耀斑，在太空天气研究中显得尤为重要。磁场数据可表现为多变量时间序列模式，其中数据因主要耀斑事件的稀缺性呈现极端类别不平衡。在基于时间序列分类的耀斑预测中，对比表示学习方法的应用相对有限。本文引入 CONTREX，一种用于多变量时间序列数据的新型对比表示学习方法，旨在解决时序依赖性和极端类别不平衡的挑战。该方法涉及从多变量时间序列实例中提取动态特征，从正负类特征向量中导出两个极端点，以实现最大分离能力，并通过原创性的对比重构损失函数训练序列表示嵌入模块，以生成与极端点对齐的嵌入向量。这些嵌入捕捉关键时间序列特征，增强判别能力。我们的方法在 Space Weather Analytics for Solar Flares (SWAN-SF) 多变量时间序列基准数据集上对抗基线方法，展现出有前景的太阳耀斑预测成果。